НОДЫ FOWISE
FlowiseAI предлагает обширный набор нод-инструментов и интеграций, которые позволяют создавать сложные AI-агенты и рабочие процессы LLM. Эти ноды можно разделить на различные категории, каждая из которых выполняет определенную функцию в построении и оркестрации вашего AI-решения.
Ниже представлен список всех нод FlowiseAI с описанием их назначения:
Agents (Агенты): Это интеллектуальные модули, способные самостоятельно принимать решения, рассуждать и выполнять задачи, используя доступные им инструменты. Они могут использоваться для создания как одноагентных, так и многоагентных систем, а также для сложной оркестрации рабочих процессов.
Airtable Agent, AutoGPT, BabyAGI, CSV Agent, Conversational Agent, Conversational Retrieval Agent, MistralAI Tool Agent, OpenAI AssistantThreads, OpenAI Function Agent, OpenAI Tool Agent, ReAct Agent Chat, ReAct Agent LLM, Tool Agent, XML Agent: Различные типы агентов, специализирующиеся на определенных задачах или использующие конкретные модели/фреймворки для своей работы.
Cache (Кэш): Ноды для кэширования данных, таких как ответы LLM или эмбеддинги, с целью повышения производительности и снижения затрат.
InMemory Cache, InMemory Embedding Cache, Momento Cache, Redis Cache, Redis Embeddings Cache, Upstash Redis Cache: Различные опции для реализации кэширования, от кэширования в оперативной памяти до использования внешних сервисов, таких как Redis.
Chains (Цепочки): Последовательности вызовов LLM или других операций, которые выполняются пошагово для достижения определенной цели. Цепочки позволяют выстраивать логику выполнения задач.
GET API Chain, OpenAPI Chain, POST API Chain, Conversation Chain, Conversational Retrieval QA Chain, LLM Chain, Multi Prompt Chain, Multi Retrieval QA Chain, Retrieval QA Chain, Sql Database Chain, Vectara QA Chain, VectorDB QA Chain: Специализированные цепочки для выполнения API-запросов, ведения диалогов, извлечения ответов на основе запросов, работы с базами данных SQL и векторными базами данных.
Chat Models (Чат-модели): Интеграции с различными крупными языковыми моделями (LLM), которые оптимизированы для диалоговых систем. Flowise поддерживает как проприетарные, так и открытые модели.
AWS ChatBedrock, Azure ChatOpenAI, NVIDIA NIM, ChatAnthropic, ChatCohere, Chat Fireworks, ChatGoogleGenerativeAI, Google VertexAI, ChatHuggingFace, ChatLocalAI, ChatMistralAI, IBM Watsonx, ChatOllama, ChatOpenAI, ChatTogetherAI, GroqChat: Ноды для подключения к конкретным чат-моделям от различных поставщиков.
Document Loaders (Загрузчики документов): Ноды, предназначенные для извлечения данных из разнообразных источников и форматов. Эти данные могут быть использованы для последующей обработки, например, в процессах Retrieval Augmented Generation (RAG).
Airtable, API Loader, Apify Website Content Crawler, BraveSearch Loader, Cheerio Web Scraper, Confluence, Csv File, Custom Document Loader, Document Store, Docx File, Epub File, Figma, File, FireCrawl, Folder, GitBook, Github, Google Drive, Google Sheets, Jira, Json File, Json Lines File, Microsoft Excel, Microsoft Powerpoint, Microsoft Word, Notion, PDF Files, Plain Text, Playwright Web Scraper, Puppeteer Web Scraper, S3 File Loader, SearchApi For Web Search, SerpApi For Web Search, Spider - web search & crawler, Text File, Unstructured File Loader, Unstructured Folder Loader: Разнообразные загрузчики, позволяющие получать данные из файлов, веб-страниц, облачных сервисов, баз данных и других систем.
Embeddings (Встраивания/Эмбеддинги): Ноды, которые преобразуют текстовые данные в числовые векторы (эмбеддинги). Эти векторы улавливают семантическое значение текста и используются для векторного поиска и RAG.
AWS Bedrock Embeddings, Azure OpenAI Embeddings, Cohere Embeddings, Google GenerativeAI Embeddings, Google VertexAI Embeddings, HuggingFace Inference Embeddings, LocalAI Embeddings, MistralAI Embeddings, Ollama Embeddings, OpenAI Embeddings, OpenAI Embeddings Custom, TogetherAI Embedding, VoyageAI Embeddings: Ноды для генерации эмбеддингов с использованием различных моделей и сервисов.
LLMs (Большие языковые модели): Прямая интеграция с различными LLM для использования их генеративных способностей и возможностей рассуждения.
OpenAI, Azure OpenAI, AWS Bedrock, Cohere, GoogleVertex AI, HuggingFace Inference, Ollama, Replicate: Ноды для прямого взаимодействия с конкретными LLM-сервисами.
Memory (Память): Ноды для хранения и управления историей диалогов, а также для долговременной памяти. Это позволяет агентам запоминать предыдущие взаимодействия с пользователями и поддерживать контекст.
Buffer Memory, Buffer Window Memory, Conversation Summary Memory, Conversation Summary Buffer Memory, DynamoDB Chat Memory, MongoDB Atlas Chat Memory, Redis-Backed Chat Memory, Upstash Redis-Backed Chat Memory, Zep Memory: Различные реализации памяти, включая буферную память, суммирующую память и память, поддерживаемую базами данных, такими как Redis, DynamoDB или MongoDB Atlas.
Moderation (Модерация): Инструменты для фильтрации или проверки входных/выходных данных LLM. Это помогает обеспечить соответствие контента политике безопасности.
OpenAI Moderation, Simple Prompt Moderation: Ноды для применения правил модерации.
Output Parsers (Парсеры вывода): Ноды, которые помогают структурировать и интерпретировать вывод LLM в определенный формат, например, CSV или JSON.
CSV Output Parser, Custom List Output Parser, Structured Output Parser, Advanced Structured Output Parser: Различные парсеры для преобразования вывода LLM в желаемую структуру.
Prompts (Промпты): Ноды для создания и управления шаблонами промптов. Эти шаблоны направляют поведение LLM и формируют его ответы.
Chat Prompt Template, Few Shot Prompt Template, Prompt Template: Различные типы шаблонов промптов для формирования инструкций для LLM.
Record Managers (Менеджеры записей): Эта категория предназначена для управления записями. В предоставленных источниках конкретные ноды не перечислены под этой категорией.
Retrievers (Извлекатели): Используются в архитектуре RAG для извлечения наиболее релевантных фрагментов информации из векторной базы данных или других источников знаний на основе пользовательского запроса.
Extract Metadata Retriever, Custom Retriever, Cohere Rerank Retriever, Embeddings Filter Retriever, HyDE Retriever, LLM Filter Retriever, Multi Query Retriever, Prompt Retriever, Reciprocal Rank Fusion Retriever, Similarity Score Threshold Retriever, Vector Store Retriever, Voyage AI Rerank Retriever: Различные стратегии и механизмы для извлечения релевантной информации, включая переранжирование и фильтрацию.
Text Splitters (Разделители текста): Инструменты для разбиения больших текстовых документов на более мелкие, управляемые "чанки" (фрагменты) для эффективного встраивания и обработки LLM.
Character Text Splitter, Code Text Splitter, Html-To-Markdown Text Splitter, Markdown Text Splitter, Recursive Character Text Splitter, Token Text Splitter: Различные методы для разделения текста на фрагменты, учитывающие особенности формата и содержания.
Tools (Инструменты): Функции, которые агенты могут вызывать для выполнения конкретных действий, таких как поиск информации в Интернете, выполнение вычислений, чтение/запись файлов или взаимодействие с внешними API.
BraveSearch API, Calculator, Chain Tool, Chatflow Tool, Custom Tool, Exa Search, Gmail, Google Calendar, Google Custom Search, Google Drive, Google Sheets, Microsoft Outlook, Microsoft Teams, OpenAPI Toolkit, Code Interpreter by E2B, Read File, Request Get, Request Post, Retriever Tool, SearchApi, SearXNG, Serp API, Serper, Tavily, Web Browser, Write File: Широкий спектр инструментов для выполнения различных задач, от математических вычислений до работы с файлами и поиска в интернете.
Vector Stores (Векторные хранилища): Базы данных, специально разработанные для хранения и эффективного поиска векторных эмбеддингов. Они являются основой для Retrieval Augmented Generation (RAG).
AstraDB, Chroma, Couchbase, Elastic, Faiss, In-Memory Vector Store, Milvus, MongoDB Atlas, OpenSearch, Pinecone, Postgres, Qdrant, Redis, SingleStore, Supabase, Upstash Vector, Vectara, Weaviate, Zep Collection - Open Source, Zep Collection - Cloud: Различные интеграции с популярными векторными базами данных.
LiteLLM Proxy (Прокси LiteLLM): Интеграция с LiteLLM Proxy. (Это позволяет управлять вызовами к различным LLM через единый интерфейс, не указано напрямую в источниках, но является общеизвестной функцией LiteLLM).
LlamaIndex (ЛламаИндекс): Отдельный набор интеграций, специфичных для фреймворка LlamaIndex. LlamaIndex ориентирован на задачи, связанные с работой со знаниями, и предлагает свои компоненты для построения агентов и RAG-систем.
Agents: OpenAI Tool Agent, Anthropic Tool Agent.
Chat Models: AzureChatOpenAI, ChatAnthropic, ChatMistral, ChatOllama, ChatOpenAI, ChatTogetherAI, ChatGroq.
Embeddings: Azure OpenAI Embeddings, OpenAI Embedding.
Engine: Query Engine, Simple Chat Engine, Context Chat Engine, Sub-Question Query Engine: Ноды для выполнения запросов и работы с контекстом в LlamaIndex.
Response Synthesizer: Refine, Compact And Refine, Simple Response Builder, Tree Summarize: Модули для синтеза ответов, которые обрабатывают извлеченный контекст и генерируют окончательный ответ LLM.
Vector Stores: Pinecone, SimpleStore.
Utilities (Утилиты): Общие вспомогательные ноды для различных задач в потоке Flowise. Они позволяют добавлять пользовательский код, управлять переменными и реализовывать логику ветвления.
Custom JS Function, Set/Get Variable, If Else, Sticky Note: Ноды для выполнения пользовательского JavaScript-кода, управления переменными, реализации условной логики и добавления заметок.
External Integrations (Внешние интеграции): Ноды для подключения Flowise к другим платформам и сервисам.
Zapier Zaps, Open WebUI, Streamlit: Ноды для интеграции с Zapier, Open WebUI и Streamlit, расширяющие возможности Flowise за счет подключения к внешним экосистемам.